Xudong Han(@Xudong07452910):给前沿 Agent 六天、3000 美元 API 额度和 GPU，它能独立做出一篇 NeurIPS 级论文吗？这篇论文给出的早期答案很冷静：代码能写，实验能跑，真正的研究问题却没有被推进。作者提出了一种「影子评估」：拿两篇尚未公开的 NeurIPS 2026 投稿，只把核心研究问题交给 Agent。由于原论文还未公开，它无法直接检索答案，最后再由原作者按顶会标准评审。 Agent 独立完成了工程工作，但两篇最终都被明确拒稿，总评分分别只有 2/6 和 1/6。最关键的问题集中在科学判断上。它们很难判断证据是否足够，遇到研究设计问题时缺少新的解法，也不擅长从已经投入很多时间的错误方向中彻底退出。更有意思的是，AI 自评其实多次指出了这些问题。Agent 往往只会补充限制说明，继续沿着原来的路线推进，很少真正重做研究设计。我觉得这篇最有价值的地方，是它把科研 Agent 从「优化一个明确指标」，拉回了真正开放的研究过程。样本目前只有两个案例，结论还很早。但它至少提醒我们：今天的 Agent 已经很像执行力很强的研究助理。距离独立研究者，仍然差研究品味、证据标准和及时推倒重来的能力。会做实验，和知道什么实验值得做，中间还隔着真正的科研能力。 📎 arxiv:

2026.07.31 03:30

给前沿 Agent 六天、3000 美元 API 额度和 GPU，它能独立做出一篇 NeurIPS 级论文吗？这篇论文给出的早期答案很冷静：代码能写，实验能跑，真正的研究问题却没有被推进。作者提出了一种「影子评估」：拿两篇尚未公开的 NeurIPS 2026 投稿，只把核心研究问题交给 Agent。由于原论文还未公开，它无法直接检索答案，最后再由原作者按顶会标准评审。 Agent 独立完成了工程工作，但两篇最终都被明确拒稿，总评分分别只有 2/6 和 1/6。最关键的问题集中在科学判断上。它们很难判断证据是否足够，遇到研究设计问题时缺少新的解法，也不擅长从已经投入很多时间的错误方向中彻底退出。更有意思的是，AI 自评其实多次指出了这些问题。Agent 往往只会补充限制说明，继续沿着原来的路线推进，很少真正重做研究设计。我觉得这篇最有价值的地方，是它把科研 Agent 从「优化一个明确指标」，拉回了真正开放的研究过程。样本目前只有两个案例，结论还很早。但它至少提醒我们：今天的 Agent 已经很像执行力很强的研究助理。距离独立研究者，仍然差研究品味、证据标准和及时推倒重来的能力。会做实验，和知道什么实验值得做，中间还隔着真正的科研能力。 📎 arxiv: